自動(dòng)駕駛汽車場(chǎng)景測(cè)試研究進(jìn)展綜述*

蔣拯民 黨少博 李慧云,3 潘毅,4

（1.中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院，深圳 518055；2.中國(guó)科學(xué)院大學(xué)，北京 100049；3.中國(guó)科學(xué)院人機(jī)智能協(xié)同系統(tǒng)重點(diǎn)實(shí)驗(yàn)室，深圳 518055；4.中國(guó)科學(xué)院深圳理工大學(xué)（籌），深圳 518055）

主題詞：自動(dòng)駕駛汽車 測(cè)試場(chǎng)景 測(cè)試內(nèi)容 測(cè)試方法

1 前言

自動(dòng)駕駛汽車能夠通過(guò)環(huán)境感知、決策規(guī)劃及運(yùn)動(dòng)控制等功能替代人類完成駕駛?cè)蝿?wù)，理論上可以極大地提高道路交通效率和安全水平，提供廣泛的通行便利，并能減少溫室氣體排放。近年來(lái)，自動(dòng)駕駛技術(shù)已經(jīng)獲得了飛躍發(fā)展，被業(yè)界視為未來(lái)汽車科技的戰(zhàn)略制高點(diǎn)。

科學(xué)完善的測(cè)試是進(jìn)一步推動(dòng)自動(dòng)駕駛汽車從實(shí)驗(yàn)室走向大規(guī)模商業(yè)應(yīng)用的關(guān)鍵支撐。當(dāng)前，自動(dòng)駕駛汽車測(cè)試以基于里程的開(kāi)放道路測(cè)試為主。該方法不預(yù)設(shè)測(cè)試目標(biāo)和任務(wù)，要求汽車在開(kāi)放道路上連續(xù)運(yùn)行，具有測(cè)試周期長(zhǎng)、“無(wú)風(fēng)險(xiǎn)”里程占比高、成本高昂等弊端。與此同時(shí)，優(yōu)步（Uber）、特斯拉（Tesla）等科技公司的自動(dòng)駕駛汽車已經(jīng)發(fā)生多起交通事故。因此，單純累積道路測(cè)試?yán)锍滩⒉荒苡行y(cè)試自動(dòng)駕駛汽車的安全性，作為改進(jìn)，目前的研究趨勢(shì)已經(jīng)轉(zhuǎn)變?yōu)橐曰趫?chǎng)景的仿真測(cè)試為主、開(kāi)放道路測(cè)試為輔的方式。因此，測(cè)試場(chǎng)景的定義、篩選及構(gòu)建等課題的研究越來(lái)越得到學(xué)術(shù)界的重視。

然而，自動(dòng)駕駛汽車測(cè)試是復(fù)雜的綜合過(guò)程，除需對(duì)場(chǎng)景挖掘與生成理論加以研究外，還需要合理組織測(cè)試內(nèi)容，根據(jù)測(cè)試開(kāi)展的途徑選擇相應(yīng)測(cè)試方法。已有綜述大多只回顧了自動(dòng)駕駛汽車測(cè)試的某個(gè)局部領(lǐng)域，未能從宏觀視角出發(fā)，系統(tǒng)梳理當(dāng)前自動(dòng)駕駛汽車測(cè)試涉及的整體邏輯和理論方法。因此，本文針對(duì)當(dāng)前自動(dòng)駕駛汽車測(cè)試技術(shù)缺乏全面、系統(tǒng)總結(jié)的現(xiàn)狀，圍繞測(cè)試內(nèi)容、測(cè)試場(chǎng)景、測(cè)試方法等主題展開(kāi)論述，重點(diǎn)關(guān)注典型和邊緣場(chǎng)景的加速生成、測(cè)試方法的分類和組成等方面，同時(shí)探討測(cè)試技術(shù)的發(fā)展方向。

2 測(cè)試內(nèi)容

自動(dòng)駕駛汽車是以硬件為基礎(chǔ)、軟件為核心、數(shù)據(jù)為驅(qū)動(dòng)的復(fù)雜系統(tǒng)。特別是軟件架構(gòu)區(qū)別于傳統(tǒng)汽車電子架構(gòu)，軟件測(cè)試常用的分支測(cè)試方法等不能直接用于程序分析。因此，自動(dòng)駕駛汽車的測(cè)試除對(duì)各軟、硬組件獨(dú)立測(cè)試外，還需將系統(tǒng)視為軟硬件高度耦合的被測(cè)實(shí)體，分階段、有序地逐步對(duì)其進(jìn)行“單元-系統(tǒng)-整車”集成測(cè)試，從而全面測(cè)試自動(dòng)駕駛汽車的安全性、智能性、舒適性和可靠性等。

如圖1所示，借鑒道路車輛功能安全國(guó)際標(biāo)準(zhǔn)（ISO 26262）推薦的汽車電子軟件“V”型開(kāi)發(fā)流程，本文將自動(dòng)駕駛汽車的測(cè)試內(nèi)容劃分為單元測(cè)試、集成測(cè)試、系統(tǒng)測(cè)試與驗(yàn)收測(cè)試。其中，單元測(cè)試一般圍繞自動(dòng)駕駛汽車的某項(xiàng)功能展開(kāi)，例如面向環(huán)境感知、決策規(guī)劃及控制等功能的考察；集成測(cè)試分為軟件集成和系統(tǒng)集成兩部分，主要用于測(cè)試軟、硬件接口設(shè)計(jì)是否合理；系統(tǒng)測(cè)試用于發(fā)掘軟件和硬件集成缺陷；驗(yàn)收測(cè)試則重點(diǎn)關(guān)注自動(dòng)駕駛汽車能否完成限定條件下的自主駕駛?cè)蝿?wù)。該劃分方式既考察了單一功能滿足設(shè)計(jì)需求的能力，分析了軟、硬件的集成缺陷，又測(cè)試了自動(dòng)駕駛汽車軟硬件耦合的任務(wù)完成質(zhì)量。

圖1 基于“V”型流程的自動(dòng)駕駛汽車測(cè)試內(nèi)容劃分

3 測(cè)試場(chǎng)景

場(chǎng)景是自動(dòng)駕駛汽車測(cè)試技術(shù)的基礎(chǔ)。為了充分暴露自動(dòng)駕駛汽車的設(shè)計(jì)缺陷，需要以場(chǎng)景為基礎(chǔ)，構(gòu)建起包括仿真測(cè)試、封閉場(chǎng)地測(cè)試及開(kāi)放道路測(cè)試等在內(nèi)的工作流，解決場(chǎng)景定義、分類、數(shù)據(jù)挖掘分析、場(chǎng)景生成等多個(gè)方面的技術(shù)難題。隨著汽車自動(dòng)化水平的不斷提高，其面對(duì)的工況復(fù)雜度也呈幾何級(jí)數(shù)增加，傳統(tǒng)的高級(jí)駕駛輔助系統(tǒng)（Advanced Driving Assistance System，ADAS）功能定義與測(cè)試標(biāo)準(zhǔn)已經(jīng)遠(yuǎn)遠(yuǎn)不能滿足需求。目前亟須形成面向高等級(jí)自動(dòng)駕駛汽車的測(cè)試場(chǎng)景定義規(guī)范，以及系統(tǒng)的場(chǎng)景生成理論和方法。

3.1 場(chǎng)景定義與分類

場(chǎng)景為測(cè)試方法提供具體測(cè)試用例，其形式化描述是自動(dòng)駕駛汽車開(kāi)展測(cè)試的前提。Ulbrich 等認(rèn)為場(chǎng)景描述了自動(dòng)駕駛汽車與其行駛環(huán)境的時(shí)間發(fā)展變化，并通過(guò)動(dòng)作和事件以及目標(biāo)和值等來(lái)表征場(chǎng)景中的時(shí)間發(fā)展；類似地，Elrofai 等認(rèn)為場(chǎng)景是一段連續(xù)時(shí)間內(nèi)各要素的動(dòng)態(tài)交互，并將場(chǎng)景分為三類主要要素，即被測(cè)車輛、被動(dòng)環(huán)境（如道路拓?fù)洹⒔煌?biāo)志等）和主動(dòng)環(huán)境（如交通燈、天氣等）；De Gelder 等進(jìn)一步將場(chǎng)景定義為一段時(shí)間內(nèi)動(dòng)、靜態(tài)環(huán)境以及環(huán)境與自動(dòng)駕駛汽車相關(guān)動(dòng)作的集合。

可以看出，以上文獻(xiàn)都強(qiáng)調(diào)了測(cè)試場(chǎng)景是時(shí)變的，并且囊括了駕駛?cè)蝿?wù)、動(dòng)態(tài)環(huán)境等要素。在此基礎(chǔ)上，本文將測(cè)試場(chǎng)景定義為在一定時(shí)、空域內(nèi)自動(dòng)駕駛汽車行為與運(yùn)行環(huán)境的動(dòng)態(tài)描述和抽象，具有不可窮盡、極其復(fù)雜、無(wú)限豐富、難以預(yù)測(cè)等特點(diǎn)。時(shí)、空域的尺度大小需要根據(jù)具體測(cè)試需求制定，例如，換道場(chǎng)景的時(shí)間域一般持續(xù)數(shù)十秒至數(shù)分鐘；跟馳場(chǎng)景的空間域是包含數(shù)條道路組成的路網(wǎng)。進(jìn)一步從要素上分解，場(chǎng)景一般包括道路、氣象、交通規(guī)則、交通流行為等由環(huán)境輸入到自動(dòng)駕駛汽車的輸入流，以及駕駛?cè)蝿?wù)、決策執(zhí)行等由自動(dòng)駕駛汽車輸出到環(huán)境中的輸出流。

一般而言，自動(dòng)駕駛汽車的測(cè)試場(chǎng)景可以分為典型場(chǎng)景和邊緣場(chǎng)景兩大類。前者用于常規(guī)功能測(cè)試，但是包含大量的冗余低風(fēng)險(xiǎn)用例，測(cè)試成本較高；后者則是以擴(kuò)大高風(fēng)險(xiǎn)場(chǎng)景比例為目的，實(shí)現(xiàn)對(duì)典型場(chǎng)景的補(bǔ)充，可以有效提高測(cè)試覆蓋率，一般用于自動(dòng)駕駛汽車功能邊界的測(cè)試。典型場(chǎng)景和邊緣場(chǎng)景的特點(diǎn)對(duì)比如表1所示。

表1 典型場(chǎng)景和邊緣場(chǎng)景對(duì)比

從來(lái)源看，場(chǎng)景數(shù)據(jù)可以分為模擬數(shù)據(jù)、標(biāo)準(zhǔn)法規(guī)與真實(shí)交通數(shù)據(jù)三類。其中，模擬數(shù)據(jù)包括駕駛模擬器數(shù)據(jù)和仿真數(shù)據(jù)，標(biāo)準(zhǔn)法規(guī)目前主要指ADAS功能定義。然而，隨著自動(dòng)駕駛汽車運(yùn)行設(shè)計(jì)域（Operational Design Domain，ODD）的逐步擴(kuò)展，如從結(jié)構(gòu)化的高速公路向開(kāi)放的城郊遷移，場(chǎng)景復(fù)雜度也呈幾何級(jí)數(shù)增加，標(biāo)準(zhǔn)法規(guī)的制定愈發(fā)困難。因而，針對(duì)高等級(jí)自動(dòng)駕駛汽車，業(yè)界大多通過(guò)篩選和分析真實(shí)交通數(shù)據(jù)來(lái)泛化測(cè)試場(chǎng)景。

真實(shí)交通數(shù)據(jù)是指現(xiàn)實(shí)世界發(fā)生的，經(jīng)由傳感器采集或其他形式記錄下來(lái)的數(shù)據(jù)，主要包括自然駕駛數(shù)據(jù)和交通事故數(shù)據(jù)。自然駕駛數(shù)據(jù)可以通過(guò)場(chǎng)景重構(gòu)的方式映射到測(cè)試場(chǎng)景中；交通事故數(shù)據(jù)通過(guò)數(shù)據(jù)挖掘等手段，可以還原事故過(guò)程從而得到測(cè)試場(chǎng)景，一般作為自然駕駛數(shù)據(jù)的有益補(bǔ)充。目前學(xué)術(shù)界已經(jīng)有多個(gè)自然駕駛數(shù)據(jù)集開(kāi)源項(xiàng)目，如表2所示。

表2 自然駕駛數(shù)據(jù)采集方法及特點(diǎn)對(duì)比

3.2 典型場(chǎng)景設(shè)計(jì)

典型場(chǎng)景是從標(biāo)準(zhǔn)法規(guī)、真實(shí)交通數(shù)據(jù)中甄別出的具有代表性的測(cè)試用例。例如，從自然駕駛數(shù)據(jù)中分離出跟馳、換道等工況的統(tǒng)計(jì)參數(shù)分布，進(jìn)一步利用隨機(jī)采樣生成具體場(chǎng)景，或者從交通事故數(shù)據(jù)中剝離次要信息，聚類得到測(cè)試用例。

3.2.1 基于組合測(cè)試的典型場(chǎng)景生成

組合測(cè)試（Combinatorial Test，CT）是軟件工程領(lǐng)域中常用的測(cè)試方法，它將被測(cè)系統(tǒng)的輸入變量進(jìn)行組合，以生成一組測(cè)試用例。統(tǒng)計(jì)表明，大多數(shù)軟件缺陷是由單因子或者雙因子相互作用產(chǎn)生的，因而在實(shí)際應(yīng)用中，組合測(cè)試多采用配對(duì)測(cè)試法（Pairwise Testing），以暴露雙因子共同作用下的軟件缺陷。例如，舒紅等基于微軟的配對(duì)組合測(cè)試工具（Pairwise Independent Combinatorial Testing，PICT）對(duì)主車及周圍交通車的相對(duì)位置和運(yùn)動(dòng)方向進(jìn)行組合，通過(guò)人工篩選剔除不合理場(chǎng)景，成功獲得了高等級(jí)自動(dòng)駕駛汽車的基礎(chǔ)測(cè)試場(chǎng)景群；Gao等提出了改進(jìn)的組合測(cè)試算法，在兼顧測(cè)試效率的同時(shí)，增加了生成場(chǎng)景的復(fù)雜度。

然而，基于專家知識(shí)來(lái)描述組合測(cè)試的場(chǎng)景元素缺乏普適性。為此，有學(xué)者提出以本體論作為組合測(cè)試輸入的描述方法。該方法充分利用了本體論在場(chǎng)景概念建模、沖突檢查和完整性校驗(yàn)方面的能力，同時(shí)發(fā)揮了組合測(cè)試易生成測(cè)試用例、能較好地平衡成本和效率的優(yōu)勢(shì)。具體而言，是將本體論用于生成典型場(chǎng)景的結(jié)構(gòu)化特征術(shù)語(yǔ)集，并將概念映射到計(jì)算空間。例如，Armand 等將場(chǎng)景中的移動(dòng)實(shí)體、靜態(tài)實(shí)體、時(shí)空關(guān)系的描述量以及實(shí)體之間的屬性描述作為本體的術(shù)語(yǔ)框，傳感器數(shù)據(jù)作為本體的斷言框，對(duì)場(chǎng)景進(jìn)行推斷理解。

本體論建模的語(yǔ)義庫(kù)已經(jīng)包含了較完備的場(chǎng)景約束和參數(shù)范圍，因此與組合測(cè)試結(jié)合可以有效提升場(chǎng)景參數(shù)的覆蓋度，但是該方法也存在生成場(chǎng)景同質(zhì)化、組合不合理等缺點(diǎn)，在實(shí)際應(yīng)用中往往需要人工進(jìn)一步篩選有效測(cè)試用例。

3.2.2 基于聚類的典型場(chǎng)景生成

場(chǎng)景數(shù)據(jù)往往包含了大量相關(guān)特征信息，其中某些場(chǎng)景非常相似，而有些場(chǎng)景的差別很大。最直觀的處理方式是依靠經(jīng)驗(yàn)，人為定義場(chǎng)景的提取規(guī)則。例如ASSESS、AsPeCSS等項(xiàng)目人為歸納了針對(duì)各類交通對(duì)象的自動(dòng)緊急制動(dòng)系統(tǒng)的測(cè)試場(chǎng)景。然而，人為定義規(guī)則提取測(cè)試場(chǎng)景的方式主觀局限性過(guò)大，另一類方式是依據(jù)數(shù)據(jù)內(nèi)部特征，采用聚類算法自動(dòng)生成典型場(chǎng)景。

聚類是一種利用特征區(qū)分不同場(chǎng)景，并從中挖掘出典型場(chǎng)景的有效方式。它在場(chǎng)景理解、要素特征提取與降維的基礎(chǔ)上，將原始數(shù)據(jù)集劃分為若干類測(cè)試場(chǎng)景。例如：劉穎等基于照明、車輛運(yùn)動(dòng)方向、視野遮擋及行人運(yùn)動(dòng)方向等特征，從人-車沖突數(shù)據(jù)集中聚類出了5類面向行人的自動(dòng)緊急制動(dòng)測(cè)試場(chǎng)景；胡林等對(duì)采集的實(shí)際交通事故數(shù)據(jù)進(jìn)行篩選，并利用層次聚類算法獲得汽車與兩輪車碰撞的11個(gè)典型事故場(chǎng)景。

現(xiàn)實(shí)環(huán)境中的各種噪聲都有可能映射在交通數(shù)據(jù)集中，從而對(duì)聚類結(jié)果產(chǎn)生干擾，因此需要效果良好、魯棒性強(qiáng)的聚類算法進(jìn)行分析。根據(jù)算法類型，可以將常用的聚類算法劃分為基于分區(qū)的算法、基于分層的算法、基于密度的算法、基于模型的算法以及基于網(wǎng)格的算法等。此外，還有學(xué)者根據(jù)數(shù)據(jù)集特性進(jìn)一步優(yōu)化聚類算法。例如：S.Li等結(jié)合自編碼器和K-Means開(kāi)發(fā)了一種無(wú)監(jiān)督聚類方法，成功從大規(guī)模自然駕駛數(shù)據(jù)中提取了車車交互的典型測(cè)試場(chǎng)景；Langner 等結(jié)合自編碼器、卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network，CNN）和長(zhǎng)短期記憶（Long Short Term Memory，LSTM）網(wǎng)絡(luò)等特征提取網(wǎng)絡(luò)，從大量的自然駕駛數(shù)據(jù)集中對(duì)典型場(chǎng)景進(jìn)行自動(dòng)聚類和異常檢測(cè)。

聚類算法具備從高維真實(shí)交通數(shù)據(jù)中提取典型場(chǎng)景的能力，可以依據(jù)數(shù)據(jù)集內(nèi)在特征實(shí)現(xiàn)典型場(chǎng)景的自動(dòng)快速生成，已經(jīng)在大規(guī)模的交通事故數(shù)據(jù)分析中得到了一定應(yīng)用。然而，通過(guò)聚類得到的測(cè)試場(chǎng)景對(duì)數(shù)據(jù)集的采樣精度、樣本完整性等提出了較高要求，而且現(xiàn)有文獻(xiàn)大多使用K-Means等結(jié)構(gòu)化聚類算法，忽略了交通數(shù)據(jù)的時(shí)序關(guān)系。

3.2.3 基于隨機(jī)采樣的典型場(chǎng)景生成

隨機(jī)采樣方法主要包括蒙特卡羅方法（Monte-Carlo Method）和快速遍歷隨機(jī)樹（Rapidly-exploring Random Tree，RRT）等算法，依據(jù)場(chǎng)景參數(shù)的概率分布生成具體用例。其中蒙特卡羅方法又稱為統(tǒng)計(jì)模擬方法，是以概率統(tǒng)計(jì)理論為指導(dǎo)的數(shù)值計(jì)算方法?？焖俦闅v隨機(jī)樹是一種樹形數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)算法，可以有效搜索非凸高維空間。

以蒙特卡羅隨機(jī)抽樣為例，可以將隨機(jī)采樣生成的場(chǎng)景用例構(gòu)建過(guò)程歸納為如圖2所示的4個(gè)步驟，即原始數(shù)據(jù)清洗、場(chǎng)景特征提取、描述場(chǎng)景參數(shù)概率過(guò)程、從已知概率分布中抽樣。

圖2 蒙特卡羅抽樣典型場(chǎng)景構(gòu)建過(guò)程

目前，國(guó)內(nèi)外學(xué)者基于隨機(jī)采樣生成方法，已經(jīng)獲得了典型場(chǎng)景生成的一系列研究成果。例如：Yang等和Lee等提取道路碰撞預(yù)警和自適應(yīng)巡航實(shí)車測(cè)試中的數(shù)據(jù)片段，通過(guò)蒙特卡羅模擬生成了自動(dòng)緊急制動(dòng)系統(tǒng)的測(cè)試場(chǎng)景；Fellner 等應(yīng)用RRT 算法，通過(guò)尋找模型的變異值確定場(chǎng)景參數(shù)，可以在考慮2 300多種場(chǎng)景要素的情況下生成測(cè)試用例。

基于隨機(jī)采樣的場(chǎng)景生成方法通過(guò)對(duì)場(chǎng)景參數(shù)概率分布的非均勻采樣，能夠生成符合真實(shí)交通數(shù)據(jù)統(tǒng)計(jì)特征的典型場(chǎng)景用例，但是不可避免地也會(huì)得到大量不合理的場(chǎng)景組合。此外，場(chǎng)景特征多為基于專家經(jīng)驗(yàn)人為提取，可能遺漏某些重要特征。

3.3 邊緣場(chǎng)景設(shè)計(jì)

典型場(chǎng)景一般用于自動(dòng)駕駛汽車的常規(guī)功能測(cè)試，并不能覆蓋現(xiàn)實(shí)世界中的所有工況。為了盡可能提高場(chǎng)景覆蓋率，需要在典型場(chǎng)景的基礎(chǔ)上，演繹歸納出更多的衍生場(chǎng)景，即邊緣場(chǎng)景。它一般是典型場(chǎng)景生成方法中不易處理的小概率事件場(chǎng)景，或者是從真實(shí)交通數(shù)據(jù)中演化的衍生場(chǎng)景。

構(gòu)造邊緣場(chǎng)景的根本目的在于提高測(cè)試覆蓋度、探索自動(dòng)駕駛汽車的功能邊界。一般而言，代表性的邊緣場(chǎng)景生成方法可以劃分為理論搜索和數(shù)據(jù)驅(qū)動(dòng)兩類。前者使用自定義度量標(biāo)準(zhǔn)，以發(fā)掘與現(xiàn)有場(chǎng)景相異的新穎場(chǎng)景為目標(biāo)。例如，基于優(yōu)化搜索、強(qiáng)化學(xué)習(xí)等理論生成邊緣場(chǎng)景。此類方法在對(duì)場(chǎng)景系統(tǒng)內(nèi)部演化規(guī)律理解的基礎(chǔ)上，利用數(shù)學(xué)模型刻畫其生成規(guī)律，從而衍生出新的測(cè)試場(chǎng)景。后者依據(jù)場(chǎng)景的可能危害后果（如碰撞）等，使生成的測(cè)試用例盡可能地提高極端事件的暴露率。

3.3.1 基于優(yōu)化搜索的邊緣場(chǎng)景生成

基于優(yōu)化搜索的場(chǎng)景生成方法是尋找邊緣測(cè)試場(chǎng)景的一類重要方法，它將主車與環(huán)境的交互視為優(yōu)化求解問(wèn)題。例如，在車輛跟馳行駛下，設(shè)計(jì)追尾碰撞風(fēng)險(xiǎn)的目標(biāo)函數(shù)，通過(guò)迭代優(yōu)化尋找使得碰撞風(fēng)險(xiǎn)目標(biāo)函數(shù)最大化的邊緣測(cè)試場(chǎng)景參數(shù)（如前車制動(dòng)減速度、減速時(shí)間等），并與理想跟車模型對(duì)比，尋找自動(dòng)駕駛汽車的跟車安全性能邊界?；玖鞒淌疽馊鐖D3所示。

圖3 基于優(yōu)化搜索的邊緣場(chǎng)景生成

該方法的研究重點(diǎn)集中在如何定義目標(biāo)函數(shù)以及如何設(shè)計(jì)高效求解算法兩方面?，F(xiàn)階段，目標(biāo)函數(shù)的設(shè)計(jì)大多基于替代指標(biāo)，如碰撞時(shí)間（Time To Collision，TTC）、車頭時(shí)距（Time HeadWay，THW），或先導(dǎo)度量（如碰撞）定義。例如，Tuncali等使用TTC與車輛相對(duì)速度之和定義了一個(gè)目標(biāo)函數(shù)，其值越小，則自動(dòng)駕駛汽車在該場(chǎng)景下發(fā)生碰撞的可能性越大；Donzé等將車輛幾乎不接觸且相對(duì)速度為零的碰撞設(shè)定為邊界條件，構(gòu)建了基于碰撞速度和TTC的目標(biāo)函數(shù)；Althoff、Klischat等根據(jù)主車可行駛域臨界度指標(biāo)來(lái)定義目標(biāo)函數(shù)。

在求解算法的設(shè)計(jì)方面，常用智能優(yōu)化算法尋找目標(biāo)函數(shù)的全局最優(yōu)解。例如，粒子群算法、網(wǎng)格搜索、遺傳算法與模擬退火算法等。

基于優(yōu)化搜索的場(chǎng)景生成方法將邊緣場(chǎng)景的設(shè)計(jì)建模轉(zhuǎn)化為優(yōu)化問(wèn)題，可以有效增加目標(biāo)函數(shù)所度量的邊緣場(chǎng)景用例數(shù)量。但是此類研究目前多集中在碰撞場(chǎng)景的研究上，忽略了對(duì)于“接近碰撞”等次級(jí)危險(xiǎn)場(chǎng)景的研究。此外，優(yōu)化搜索建模在一定程度上人為降低了場(chǎng)景維度，例如采用了TTC、THW等低維替代指標(biāo)的度量方式，不能完全反映真實(shí)場(chǎng)景的高維動(dòng)態(tài)和復(fù)雜特性。

3.3.2 基于強(qiáng)化學(xué)習(xí)的邊緣場(chǎng)景生成

強(qiáng)化學(xué)習(xí)通過(guò)自動(dòng)駕駛汽車與環(huán)境的博弈在線生成場(chǎng)景。例如，它將場(chǎng)景生成模型視為智能體，根據(jù)生成模型與具有自主駕駛能力的交通車的交互，搜索新的容易發(fā)生碰撞的邊緣場(chǎng)景參數(shù)，已經(jīng)成為解決高維動(dòng)態(tài)邊緣場(chǎng)景參數(shù)建模問(wèn)題的一種可行方案。

Lee首次提出了自適應(yīng)壓力測(cè)試（Adaptive Stress Testing，AST）場(chǎng)景生成方法，使用抽樣和正向模擬建立搜索樹，將被測(cè)對(duì)象建模為強(qiáng)化學(xué)習(xí)的智能體，通過(guò)智能體與環(huán)境的實(shí)時(shí)交互產(chǎn)生有可能導(dǎo)致交通事故的軌跡。受此啟發(fā)，Koren提出將復(fù)雜交互場(chǎng)景建模為馬爾可夫決策過(guò)程（Markov Decision Process，MDP），簡(jiǎn)化測(cè)試過(guò)程中前、后時(shí)間序列的相互依賴，并將隨機(jī)性因素引入仿真，成功應(yīng)用深度強(qiáng)化學(xué)習(xí)方法建立了邊緣場(chǎng)景生成的統(tǒng)一框架，基本模型結(jié)構(gòu)如圖4所示。

圖4 強(qiáng)化學(xué)習(xí)邊緣場(chǎng)景生成

基于強(qiáng)化學(xué)習(xí)的邊緣場(chǎng)景生成方法能夠生成一些新穎的測(cè)試用例，有助于提高場(chǎng)景庫(kù)的覆蓋度，其關(guān)鍵在于設(shè)計(jì)合理的獎(jiǎng)勵(lì)函數(shù)，否則極易生成大量同質(zhì)場(chǎng)景。為此，Karunakaran和Corso等提出將責(zé)任敏感（Responsibility Sensitive Safety，RSS）模型作為安全性度量指標(biāo)引入獎(jiǎng)勵(lì)函數(shù)的設(shè)計(jì)，并優(yōu)化了行駛軌跡相異度量計(jì)算方法，鼓勵(lì)智能體探索新的行駛軌跡，從而發(fā)現(xiàn)從未探索過(guò)的測(cè)試場(chǎng)景。

3.3.3 基于重要性采樣的邊緣場(chǎng)景生成

重要性采樣（Importance Sampling，IS）方法是一種基于大偏差概率理論的小概率事件模擬方法，主要是基于方差縮小概念，在保證分布無(wú)偏性的同時(shí)，通過(guò)增加原始分布的方差提高小概率邊界事件的發(fā)生概率。例如，在事故易發(fā)的自然駕駛數(shù)據(jù)分布范圍附近采用建議概率密度函數(shù)()替代原始概率密度函數(shù)()，進(jìn)行隨機(jī)非均勻采樣以實(shí)現(xiàn)場(chǎng)景參數(shù)概率分布的扭曲，從而提高危險(xiǎn)事件的發(fā)生概率。

Zhao 等在對(duì)自然駕駛場(chǎng)景參數(shù)概率分布研究的基礎(chǔ)上，利用IS 方法實(shí)現(xiàn)了關(guān)鍵邊緣場(chǎng)景測(cè)試的數(shù)千倍加速；Xu 等提出了一種基于改進(jìn)重要性采樣技術(shù)的自動(dòng)駕駛汽車超車場(chǎng)景生成方法，基于上海自然駕駛數(shù)據(jù)的仿真結(jié)果表明，測(cè)試效率提高了35%，結(jié)果準(zhǔn)確性提高了25%。

重要性采樣方法可以依據(jù)自定義的場(chǎng)景類型（如接近碰撞），有選擇地放大真實(shí)交通數(shù)據(jù)感興趣區(qū)域的場(chǎng)景生成概率，提高測(cè)試效率。然而，如何選取合適的建議概率密度函數(shù)，對(duì)平衡蒙特卡羅方法的準(zhǔn)確性和計(jì)算效率非常重要。為此，S.Feng等將場(chǎng)景參數(shù)分為關(guān)鍵參數(shù)和非關(guān)鍵參數(shù)，針對(duì)關(guān)鍵參數(shù)采用重要性采樣，針對(duì)非關(guān)鍵參數(shù)采用蒙特卡羅直接采樣，從而兼顧采樣效率和估計(jì)準(zhǔn)確性。

3.3.4 基于深度學(xué)習(xí)的邊緣場(chǎng)景生成

重要性采樣技術(shù)只能提高感興趣場(chǎng)景的暴露率，在一定程度上解決危險(xiǎn)場(chǎng)景在真實(shí)交通數(shù)據(jù)中過(guò)于稀疏的問(wèn)題，但是并不能創(chuàng)造新的測(cè)試場(chǎng)景。隨著以深度神經(jīng)網(wǎng)絡(luò)為代表的新一代人工智能技術(shù)的發(fā)展，越來(lái)越多的學(xué)者開(kāi)始探索利用深度學(xué)習(xí)方法衍生場(chǎng)景，該方法已經(jīng)成為理論搜索方法之外的一類有前景的邊緣場(chǎng)景衍生范式。常用的深度學(xué)習(xí)模型包括循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）、變分自動(dòng)編碼（Variational Auto-Encoders，VAE）器以及生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）等。例如：Jenkins 等基于模擬車載和V2X 時(shí)間序列數(shù)據(jù)，利用RNN 自動(dòng)生成了新的事故場(chǎng)景，結(jié)果表明，衍生的低速和高速事故場(chǎng)景均與真實(shí)數(shù)據(jù)集相似；Krajewski等分別基于GAN和VAE 設(shè)計(jì)了車輛軌跡生成模型，無(wú)須標(biāo)記數(shù)據(jù)即可生成新的換道軌跡；Demetriou等提出了一個(gè)由真實(shí)駕駛數(shù)據(jù)驅(qū)動(dòng)來(lái)生成不同長(zhǎng)度行駛軌跡的深度學(xué)習(xí)框架，采用遞歸條件生成對(duì)抗網(wǎng)絡(luò)（Recurrent Conditional-Generative Adversarial Networks，RC-GAN）的方法可以靈活地生成可變長(zhǎng)度的行駛軌跡。

時(shí)序建?；蛏疃壬赡Ｐ偷壬疃葘W(xué)習(xí)方法，能從已有時(shí)序交通軌跡數(shù)據(jù)中演化推斷生成未覆蓋的新穎場(chǎng)景，極大地豐富了測(cè)試場(chǎng)景庫(kù)樣本的多樣性，提高了測(cè)試覆蓋度。然而，衍生場(chǎng)景的特性是否與真實(shí)交通數(shù)據(jù)一致尚不可知，有可能生成現(xiàn)實(shí)世界中并不存在的場(chǎng)景，因此衍生場(chǎng)景需驗(yàn)證真實(shí)性后才能使用。

4 測(cè)試方法

測(cè)試方法是自動(dòng)駕駛汽車測(cè)試技術(shù)的核心，用以合理組織自動(dòng)駕駛汽車測(cè)試過(guò)程。目前，自動(dòng)駕駛汽車的測(cè)試工作大約90%通過(guò)仿真完成，9%在封閉場(chǎng)地完成，1%通過(guò)開(kāi)放道路測(cè)試完成。其中，仿真測(cè)試是加速智能網(wǎng)聯(lián)技術(shù)迭代的核心環(huán)節(jié)，主要在研發(fā)初期進(jìn)行，封閉場(chǎng)地測(cè)試是自動(dòng)駕駛汽車測(cè)試的有效手段，開(kāi)放道路測(cè)試是檢測(cè)自動(dòng)駕駛汽車整車性能的必要環(huán)節(jié)，也是其商業(yè)化的前置條件。仿真測(cè)試、封閉場(chǎng)地測(cè)試與開(kāi)放道路測(cè)試三者之間互為補(bǔ)充，形成測(cè)試閉環(huán)。具體而言，仿真可以提高測(cè)試速度，其結(jié)果通過(guò)封閉場(chǎng)地和開(kāi)放道路驗(yàn)證，封閉場(chǎng)地和開(kāi)放道路測(cè)試發(fā)現(xiàn)的新場(chǎng)景又可以反饋補(bǔ)充到仿真測(cè)試場(chǎng)景庫(kù)中。各類測(cè)試方法對(duì)比如表3所示。

表3 主要測(cè)試方法對(duì)比

4.1 仿真測(cè)試

仿真是由場(chǎng)景、車輛動(dòng)力學(xué)模型、傳感器模型、算法等組成的數(shù)字化虛擬測(cè)試方法，可以對(duì)自動(dòng)駕駛汽車的系統(tǒng)和整車進(jìn)行計(jì)算機(jī)數(shù)值模擬。它利用數(shù)字化建模方式，對(duì)真實(shí)物理世界進(jìn)行部分或全部的數(shù)學(xué)建模，無(wú)須實(shí)車測(cè)試便可以對(duì)算法策略進(jìn)行驗(yàn)證，具有效率高、成本低、自由度高等優(yōu)點(diǎn)。

根據(jù)測(cè)試對(duì)象受控程度不同，仿真可以細(xì)分為模型在環(huán)（Model-In-the-Loop，MIL）、軟件在環(huán)（Software-Inthe-Loop，SIL）、硬件在環(huán)（Hardware-In-the-Loop，HIL）以及在HIL基礎(chǔ)上進(jìn)一步集成的整車在環(huán)（Vehicle-Inthe-Loop，VIL）等。其中，MIL/SIL一般在軟件詳細(xì)設(shè)計(jì)和單元測(cè)試階段使用，以測(cè)試自動(dòng)駕駛汽車的單一功能；隨后利用HIL測(cè)試完成子系統(tǒng)（包括硬件、底層和應(yīng)用層軟件）的集成測(cè)試，并模擬部分電氣特性；最后通過(guò)VIL 仿真在試驗(yàn)室條件下模擬道路、交通環(huán)境等，以完成軟件驗(yàn)收，并進(jìn)行整車相關(guān)的電控系統(tǒng)匹配。MIL/SIL/HIL/VIL 隨著測(cè)試對(duì)象集成程度的不斷加深，測(cè)試結(jié)果的置信度逐步提高，但成本也相應(yīng)增加，上述幾種不同的仿真方法特點(diǎn)對(duì)比如表4所示。

表4 仿真測(cè)試方法對(duì)比

仿真測(cè)試雖然具有易實(shí)現(xiàn)、易部署等特點(diǎn)，但是其測(cè)試結(jié)果的可靠性高度依賴于仿真軟件對(duì)真實(shí)物理環(huán)境的模擬，特別是傳感器的物理建模精度、車輛動(dòng)力學(xué)模型的準(zhǔn)確度、三維動(dòng)態(tài)虛擬圖像渲染的正確性以及交通行為建模的逼真度。然而，目前的仿真測(cè)試對(duì)交通行為的建模在精度和真實(shí)性上均十分欠缺，例如，仿真時(shí)往往對(duì)交通參與者采用預(yù)定義軌跡，只能單向測(cè)試自動(dòng)駕駛汽車在外界激勵(lì)下的行為，無(wú)法復(fù)現(xiàn)真實(shí)的動(dòng)態(tài)隨機(jī)交通環(huán)境。

4.1.1 模型在環(huán)仿真

模型在環(huán)仿真是將算法模型與被控對(duì)象模型連接起來(lái)的閉環(huán)純數(shù)值仿真測(cè)試方法。MIL 仿真中的汽車軟件常以Simulink 模型等原型形式出現(xiàn)。MIL 不涉及任何物理硬件，主要是在軟件開(kāi)發(fā)初期及單元測(cè)試階段對(duì)算法的功能需求進(jìn)行概念驗(yàn)證。例如，孫劍等搭建了自動(dòng)駕駛汽車模型在環(huán)仿真測(cè)試平臺(tái)，其中虛擬場(chǎng)景由PreScan 提供，借助MATLAB/Simulink 實(shí)現(xiàn)了原型算法，該平臺(tái)可以通過(guò)VISSIM 快速生成交通車流；冀杰等利用CarSim/Simulink 模型在環(huán)框架測(cè)試了自動(dòng)駕駛汽車的行為決策算法。歸納模型在環(huán)仿真平臺(tái)框架及共性組件如圖5所示。

圖5 模型在環(huán)仿真框架

4.1.2 軟件在環(huán)仿真

軟件在環(huán)仿真是在設(shè)計(jì)主機(jī)上編譯生成自動(dòng)駕駛汽車軟件源代碼，并將其作為單獨(dú)的進(jìn)程執(zhí)行，與虛擬環(huán)境交互的計(jì)算機(jī)數(shù)值模擬方法。SIL仿真可以將軟件部署到設(shè)計(jì)主機(jī)端進(jìn)行仿真，借助主機(jī)的高算力完成大規(guī)模的虛擬測(cè)試。例如：Ahamed等設(shè)計(jì)了一個(gè)可自由構(gòu)建車輛模型的框架，在Gazebo中使用機(jī)器人操作系統(tǒng)開(kāi)發(fā)了SIL 仿真平臺(tái)；Bachuwar 等提出了一種基于開(kāi)源自動(dòng)駕駛軟件Autoware的軟件在環(huán)仿真框架，該框架利用Simulink 與機(jī)器人操作系統(tǒng)（Robot Operating System，ROS）建立通信。SIL仿真框架實(shí)例如圖6所示。

圖6 軟件在環(huán)仿真框架

SIL測(cè)試可在物理樣機(jī)出現(xiàn)之前幫助設(shè)計(jì)者提前發(fā)現(xiàn)系統(tǒng)缺陷和故障，收集代碼覆蓋率和執(zhí)行時(shí)間指標(biāo)，但是無(wú)法測(cè)試系統(tǒng)在物理環(huán)境干擾、通信和作動(dòng)器延遲等工況下的表現(xiàn)。軟件在環(huán)測(cè)試雖然不考慮目標(biāo)硬件，但其優(yōu)勢(shì)在于可以在服務(wù)器或云端大規(guī)模部署和并行測(cè)試，同時(shí)比MIL 測(cè)試的集成度更高。相較于HIL 及VIL 測(cè)試，SIL 測(cè)試可以更低的成本發(fā)現(xiàn)自動(dòng)駕駛汽車的功能問(wèn)題，特別是可以方便地進(jìn)行“測(cè)試驅(qū)動(dòng)開(kāi)發(fā)”，即測(cè)試結(jié)果參與算法的迭代訓(xùn)練，已成為最有潛力的仿真測(cè)試方法之一。

4.1.3 硬件在環(huán)仿真

硬件在環(huán)仿真是一種自動(dòng)駕駛汽車的部分組件或系統(tǒng)采用真實(shí)物理設(shè)備，而場(chǎng)景、被控對(duì)象等為數(shù)字模型的半實(shí)物測(cè)試方法。硬件在環(huán)仿真結(jié)合數(shù)學(xué)模型和物理硬件設(shè)備，在模擬測(cè)試場(chǎng)景的同時(shí)引入了時(shí)滯、飽和、摩擦等非線性物理特性，顯著提高了測(cè)試結(jié)果的置信度，在一定程度上克服了MIL/SIL 測(cè)試中模型和數(shù)據(jù)過(guò)于理想化的缺點(diǎn)。

按照真實(shí)物理設(shè)備的類型，可以將HIL測(cè)試方案大致分為3種：第1種是針對(duì)算法軟件的快速原型測(cè)試，即將算法快速部署到真實(shí)控制器上，將控制器與工控機(jī)相連接，工控機(jī)上運(yùn)行被控對(duì)象的模型以模擬電氣特性，該方案用于評(píng)價(jià)軟件在真實(shí)控制器上的表現(xiàn)是否滿足設(shè)計(jì)需求；第2種是傳感器的硬件在環(huán)，如Hager等提出了包括雷達(dá)、攝像頭、V2X等在內(nèi)的傳感器信息融合測(cè)試臺(tái)架，可以實(shí)現(xiàn)傳感器數(shù)據(jù)流的實(shí)時(shí)修改；第3種是針對(duì)執(zhí)行器的硬件在環(huán)，如建立包括轉(zhuǎn)向系統(tǒng)、制動(dòng)系統(tǒng)等在內(nèi)的硬件在環(huán)臺(tái)架，重點(diǎn)關(guān)注算法處理真實(shí)物理系統(tǒng)的時(shí)滯、非線性的能力，或者進(jìn)一步標(biāo)定算法參數(shù)。

以攝像頭硬件在環(huán)仿真為例，仿真框架如圖7 所示。虛擬場(chǎng)景通過(guò)仿真軟件模擬或者視頻注入，在暗箱內(nèi)生成光學(xué)圖像數(shù)據(jù)，攝像頭實(shí)時(shí)采集暗箱內(nèi)圖像，并傳輸出至控制器內(nèi)的算法處理單元，最后通過(guò)ControlBase控制器內(nèi)的決策規(guī)劃及控制軟件處理，輸出控制請(qǐng)求至Xpack4實(shí)時(shí)系統(tǒng)中的虛擬被控對(duì)象，完成閉環(huán)仿真。

圖7 攝像頭硬件在環(huán)測(cè)試平臺(tái)

4.1.4 整車在環(huán)仿真

整車在環(huán)仿真是將自動(dòng)駕駛汽車整體作為實(shí)物，接入到虛擬場(chǎng)景中的一類特殊的硬件在環(huán)仿真測(cè)試方法。相較于HIL 測(cè)試，VIL 測(cè)試能夠在整車水平上形成閉環(huán)迭代的高效測(cè)試框架，有效彌補(bǔ)了硬件在環(huán)測(cè)試與實(shí)車測(cè)試之間的鴻溝。以中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院搭建的整車在環(huán)仿真平臺(tái)為例，整體組成結(jié)構(gòu)如圖8所示。

圖8 整車在環(huán)仿真平臺(tái)

該平臺(tái)包括軸耦合測(cè)試臺(tái)架、虛擬場(chǎng)景子系統(tǒng)、自動(dòng)駕駛汽車、高精度車輛動(dòng)力學(xué)模型以及各類傳感器等，支持高精度地圖生成、定位、目標(biāo)識(shí)別、V2X 協(xié)同感知、車輛路徑規(guī)劃與控制等功能測(cè)試，此外，還支持新能源車輛整車能量流測(cè)試與標(biāo)定等。

4.2 封閉場(chǎng)地測(cè)試

封閉場(chǎng)地測(cè)試是將自動(dòng)駕駛汽車置于專用的受控區(qū)域，并柔性化構(gòu)造典型交通場(chǎng)景的測(cè)試方法。封閉場(chǎng)地測(cè)試注重真實(shí)交通環(huán)境的模擬還原，該方法能夠真實(shí)、快速有效地評(píng)價(jià)自動(dòng)駕駛汽車整車性能以及人機(jī)交互相關(guān)性能。

目前，國(guó)內(nèi)已建成自動(dòng)駕駛汽車封閉測(cè)試場(chǎng)地約30個(gè)，基本涵蓋鄉(xiāng)村、城市道路等典型交通環(huán)境。其中部分封閉場(chǎng)地還建立了車聯(lián)網(wǎng)異構(gòu)網(wǎng)絡(luò)。然而，現(xiàn)有封閉場(chǎng)地服務(wù)水平不一致、運(yùn)營(yíng)成本高、測(cè)試結(jié)果無(wú)法互認(rèn)等問(wèn)題十分突出，背后的主要原因是標(biāo)準(zhǔn)規(guī)范缺失，具體表現(xiàn)在兩個(gè)方面：首先是場(chǎng)地建設(shè)缺乏規(guī)范，建設(shè)水平參差不齊，如部分場(chǎng)地場(chǎng)景單一，無(wú)法支持車聯(lián)網(wǎng)測(cè)試，已經(jīng)落后于自動(dòng)駕駛汽車的技術(shù)發(fā)展水平；其次是測(cè)試通過(guò)標(biāo)準(zhǔn)不統(tǒng)一，例如測(cè)試準(zhǔn)備、車輛技術(shù)狀態(tài)、場(chǎng)景設(shè)置、車端和路側(cè)端數(shù)據(jù)采集與處理方式等不一致，直接導(dǎo)致各封閉場(chǎng)地的評(píng)價(jià)結(jié)果存在差異，制約了測(cè)試互認(rèn)工作的開(kāi)展。

4.3 開(kāi)放道路測(cè)試

考慮到實(shí)際工況的復(fù)雜性，仿真和封閉場(chǎng)地的評(píng)價(jià)結(jié)果可能與真實(shí)情況存在偏差。因此，自動(dòng)駕駛汽車在量產(chǎn)前必須在開(kāi)放道路上進(jìn)行連續(xù)測(cè)試，它是自動(dòng)駕駛汽車積累測(cè)試數(shù)據(jù)、提升技術(shù)水平，并最終商業(yè)化的必經(jīng)環(huán)節(jié)。

目前，歐美、日韓等發(fā)達(dá)國(guó)家已經(jīng)允許自動(dòng)駕駛汽車在特定道路上進(jìn)行測(cè)試，國(guó)內(nèi)各省市也相繼出臺(tái)了開(kāi)放道路測(cè)試規(guī)范，發(fā)放測(cè)試牌照并允許自動(dòng)駕駛汽車在部分指定道路上行駛。截止2021年8月，全國(guó)共有近30個(gè)省市區(qū)頒布了道路測(cè)試細(xì)則，已建成16個(gè)智能網(wǎng)聯(lián)汽車測(cè)試示范區(qū)，指定開(kāi)放路段超過(guò)3 500 km，并累計(jì)發(fā)放700余張道路測(cè)試牌照。然而，目前在絕大部分開(kāi)放道路，特別是高速公路上測(cè)試自動(dòng)駕駛汽車仍然缺乏相應(yīng)規(guī)范。

5 自動(dòng)駕駛汽車測(cè)試技術(shù)發(fā)展趨勢(shì)

測(cè)試技術(shù)是自動(dòng)駕駛汽車研發(fā)的基礎(chǔ)技術(shù)，也是保障其安全性與可靠性的“生命線”。然而，作為典型的智能系統(tǒng)，自動(dòng)駕駛汽車的測(cè)試與傳統(tǒng)汽車的機(jī)械性測(cè)試本質(zhì)不同，其具有高復(fù)雜度、高維度、高不確定性與小概率風(fēng)險(xiǎn)事件的稀疏激勵(lì)，是汽車行業(yè)和人工智能領(lǐng)域共同面臨的重大挑戰(zhàn)。總體而言，基于場(chǎng)景的測(cè)試?yán)碚摷胺椒ㄒ呀?jīng)成為應(yīng)對(duì)該挑戰(zhàn)的主流技術(shù)路線，但是該領(lǐng)域的研究處于起步階段，尚未得到學(xué)術(shù)界的足夠重視，仍有待進(jìn)一步研究和探索。

5.1 測(cè)試場(chǎng)景研究

5.1.1 提高測(cè)試場(chǎng)景覆蓋度

自動(dòng)駕駛汽車的運(yùn)行環(huán)境具有極度復(fù)雜、不可預(yù)測(cè)、難以窮盡等特征，導(dǎo)致傳統(tǒng)的基于標(biāo)準(zhǔn)法規(guī)和事故聚類算法等簡(jiǎn)單抽象類的場(chǎng)景生成方法難以生成高覆蓋度測(cè)試用例。此外，測(cè)試場(chǎng)景的數(shù)據(jù)來(lái)源中往往包含大量冗余相關(guān)特征，使得簡(jiǎn)單的直接采樣方法易生成大量同質(zhì)場(chǎng)景。為了進(jìn)一步提升自動(dòng)駕駛汽車典型場(chǎng)景的測(cè)試覆蓋度，需要建立面向不同復(fù)雜度和數(shù)據(jù)來(lái)源的預(yù)處理、挖掘、分析和場(chǎng)景提取的技術(shù)體系。

5.1.2 研究邊緣場(chǎng)景的表征機(jī)理

受真實(shí)物理世界的高維度及小概率風(fēng)險(xiǎn)事件的稀疏激勵(lì)性等約束，自動(dòng)駕駛汽車測(cè)試時(shí)往往需要海量的采樣才能得到一個(gè)邊緣場(chǎng)景。目前，國(guó)內(nèi)外對(duì)邊緣場(chǎng)景的表征機(jī)理和方法研究不足，缺乏相應(yīng)的系統(tǒng)化邊緣場(chǎng)景生成理論。未來(lái)，業(yè)界需要綜合利用數(shù)學(xué)、物理和統(tǒng)計(jì)學(xué)習(xí)等工具，從理論搜索和數(shù)據(jù)驅(qū)動(dòng)兩個(gè)角度深入研究邊緣場(chǎng)景的生成方法。值得注意的是，衍生的邊緣場(chǎng)景必須考慮泛化的方向性和真實(shí)性問(wèn)題，即泛化場(chǎng)景是否符合真實(shí)交通的統(tǒng)計(jì)規(guī)律，以及虛擬場(chǎng)景與真實(shí)場(chǎng)景的匹配度是否在可接受的范圍內(nèi)。

5.1.3 探索加速測(cè)試?yán)碚摵头椒?/p>

遍歷海量測(cè)試場(chǎng)景需要強(qiáng)大的計(jì)算資源、耗費(fèi)大量測(cè)試時(shí)間。為了進(jìn)一步提高測(cè)試效率，業(yè)界迫切需要建立高精度無(wú)偏加速測(cè)試方法，在保證測(cè)試結(jié)果統(tǒng)計(jì)意義的基礎(chǔ)上，以較小的算力成本實(shí)現(xiàn)全面加速測(cè)試，平衡測(cè)試成本和效率。

5.1.4 提升數(shù)據(jù)搜集和應(yīng)用能力

目前絕大多數(shù)研究機(jī)構(gòu)在測(cè)試自動(dòng)駕駛汽車時(shí)，仍然依賴人工記錄算法失效的場(chǎng)景，這種方式顯然不能作為未來(lái)高等級(jí)自動(dòng)駕駛汽車大規(guī)模測(cè)試的數(shù)據(jù)來(lái)源。為此，有必要建立車輛數(shù)據(jù)采集系統(tǒng)，并自動(dòng)化記錄和分析實(shí)車在真實(shí)環(huán)境下的表現(xiàn)。一方面，例如影子模式等可以持續(xù)挖掘失效場(chǎng)景，并實(shí)現(xiàn)技術(shù)迭代；另一方面，自動(dòng)駕駛汽車也存在無(wú)法避免的事故，基于實(shí)時(shí)車輛數(shù)據(jù)采集的事后監(jiān)控可以明確責(zé)任?？梢韵胍?jiàn)，數(shù)據(jù)搜集和應(yīng)用能力將成為自動(dòng)駕駛開(kāi)發(fā)者的核心競(jìng)爭(zhēng)力之一。

5.2 測(cè)試方法研究

5.2.1 提高仿真結(jié)果置信度

綜合利用多種仿真方式測(cè)試自動(dòng)駕駛汽車的各項(xiàng)功能已經(jīng)成為業(yè)內(nèi)共識(shí)。然而，鑒于汽車本身是典型的非線性系統(tǒng)，并受制于現(xiàn)實(shí)微觀交通環(huán)境的隨機(jī)、非線性和不確定性，目前較難在仿真環(huán)境下刻畫交通參與者行為，無(wú)法反映自動(dòng)駕駛汽車與各類交通參與者的動(dòng)態(tài)交互博弈，各類仿真軟件本身的建模精度也存在較大差異。上述局限直接導(dǎo)致場(chǎng)景仿真的置信度不足，已成為仿真測(cè)試領(lǐng)域的痛點(diǎn)問(wèn)題。為此，未來(lái)需要進(jìn)一步突破復(fù)雜交通的隨機(jī)、非線性、多約束和高精度建模技術(shù)，力求在仿真環(huán)境中構(gòu)建逼真的測(cè)試環(huán)境，進(jìn)一步實(shí)現(xiàn)自動(dòng)駕駛汽車的魯棒測(cè)試。

5.2.2 建立分層測(cè)試體系

合理的分層測(cè)試體系需要綜合成本和測(cè)試覆蓋度，近似達(dá)到實(shí)車測(cè)試的效果。例如，模塊邏輯測(cè)試規(guī)避大部分規(guī)范和設(shè)計(jì)錯(cuò)誤，仿真測(cè)試發(fā)現(xiàn)大部分潛在功能問(wèn)題，而留給實(shí)車測(cè)試的任務(wù)量極大減少。然而，目前業(yè)內(nèi)對(duì)于仿真、封閉場(chǎng)地和開(kāi)放道路測(cè)試等方法的各自適用范圍尚未清晰界定，在實(shí)際操作中，各機(jī)構(gòu)一般根據(jù)開(kāi)發(fā)經(jīng)驗(yàn)自行決定某項(xiàng)功能的測(cè)試方法，未能差異化應(yīng)用測(cè)試方法，限制了分層測(cè)試體系的互補(bǔ)優(yōu)勢(shì)發(fā)揮。與此同時(shí)，部分測(cè)試用例被不合理地反復(fù)使用，客觀上降低了測(cè)試效率。因此，如何協(xié)調(diào)各類測(cè)試方法，建立高效統(tǒng)一的“仿真-封閉場(chǎng)地-開(kāi)放道路”分層測(cè)試體系仍需要進(jìn)一步探索。

5.2.3 加快標(biāo)準(zhǔn)制定，建設(shè)評(píng)價(jià)體系

目前，高等級(jí)自動(dòng)駕駛汽車測(cè)試的評(píng)價(jià)指標(biāo)、評(píng)價(jià)模型與評(píng)價(jià)體系等課題的研究尚處于萌芽階段，未來(lái)，需要在測(cè)試場(chǎng)景分類、測(cè)試任務(wù)分級(jí)的基礎(chǔ)上，完善測(cè)試體系、加快制定統(tǒng)一的測(cè)評(píng)標(biāo)準(zhǔn)規(guī)范，進(jìn)一步加強(qiáng)主客觀相融合的綜合評(píng)價(jià)體系研究。

6 結(jié)束語(yǔ)

本文在廣泛調(diào)研自動(dòng)駕駛汽車測(cè)試領(lǐng)域相關(guān)研究文獻(xiàn)的基礎(chǔ)上，從測(cè)試內(nèi)容、測(cè)試場(chǎng)景、測(cè)試方法等維度展開(kāi)了有關(guān)理論、方法以及工具的系統(tǒng)梳理和歸納總結(jié)，并指出了現(xiàn)有不足和未來(lái)發(fā)展方向。

理論上，自動(dòng)駕駛汽車的開(kāi)發(fā)應(yīng)當(dāng)以無(wú)邊界限制的場(chǎng)景為測(cè)試假設(shè)。然而，受成本和開(kāi)發(fā)效率的制約，事實(shí)上，如何盡可能地搜集復(fù)雜、陌生和突發(fā)的小概率邊緣場(chǎng)景已經(jīng)成為自動(dòng)駕駛汽車測(cè)試的核心問(wèn)題，場(chǎng)景的豐富度也將在一定程度上決定自動(dòng)駕駛技術(shù)的水平高低。總體來(lái)說(shuō)，目前業(yè)內(nèi)在場(chǎng)景生成理論、測(cè)試方法及工具等方面取得了一定的研究成果，但是尚處于初期階段。未來(lái)仍要重點(diǎn)關(guān)注高覆蓋度場(chǎng)景設(shè)計(jì)理論、邊緣場(chǎng)景生成方法以及高精度無(wú)偏加速測(cè)試算法的研究，并在此基礎(chǔ)上進(jìn)一步實(shí)現(xiàn)高保真交通行為建模和高置信度仿真軟件設(shè)計(jì)、建立測(cè)試方法的協(xié)調(diào)應(yīng)用框架、強(qiáng)化評(píng)價(jià)體系的理論和方法研究。

此外，未來(lái)自動(dòng)駕駛汽車測(cè)試還可能面臨一些新的挑戰(zhàn)。例如，自動(dòng)駕駛汽車作為人類生活的載體，其人因交互水平也將成為評(píng)價(jià)其綜合性能的重要方面，甚至影響人類對(duì)自動(dòng)駕駛技術(shù)的接受度。另外，如何將人工智能模型的驗(yàn)證納入現(xiàn)有測(cè)試體系，用以提高自動(dòng)駕駛汽車人工智能算法的魯棒性和安全性，已成為迫切的現(xiàn)實(shí)問(wèn)題。進(jìn)一步，隨著汽車智能化和網(wǎng)聯(lián)化的深度融合，自動(dòng)駕駛汽車的網(wǎng)聯(lián)功能測(cè)試、面向車聯(lián)網(wǎng)的信息安全測(cè)試，以及智能化與網(wǎng)聯(lián)化的耦合性能測(cè)試等關(guān)鍵問(wèn)題也將成為新的研究熱點(diǎn)。